命名实体识别(Named Entity Recognition,NER)是自然语言处理领域中的基础任务之一,是信息抽取、机器翻译、问答系统等领域的重要基础。命名实体识别能够从文本中抽取出人名、地名、组织机构名等,因此有助于将文本数据进行结构化存储。自然语言处理领域中的基础任务还包括中文分词、词性标注和成分句法分析,这些任务通常依次独立完成。依次完成上述任务,可能会产生分析结果不一致的问题,而将命名实体识别与成分句法分析进行联合处理,则成分句法分析能够帮助提升命名实体识别的效果。因此,本文工作的主要内容如下:(1)使用基于转移的神经网络方法实现成分句法分析对命名实体识别的提升,因此提出多任务中文命名实体识别联合模型,该模型将中文命名实体识别,与中文分词、词性标注和成分句法分析进行联合处理。使用该模型对中文语句进行分析,能够得到四项任务的分析结果;(2)在将中文命名实体识别与其他任务进行联合处理的过程中,使用LSTM和Bi-LSTM分别对分析状态的不同部分进行特征抽取,然后将不同部分的特征向量进行拼接得到完整的特征向量,使所有任务共享分析状态的特征。本文工作的实验在Onto Notes 5.0中的中文数据上进行。通过在是否包含成分句法分析的联合模型上进行对比实验,验证了成分句法分析对命名实体识别的提升。在联合成分句法分析的情况下,模型在ORG类型上提升了4.77%。此外,还通过不同的对比实验,验证了不同的模型参数对模型性能的影响。